1 Introducción
En éste trabajo nos concentraremos en la distribución de la pobreza en Chile, pobreza que se divide, con diferentes nombres, en tres grandes grupos: no pobres, pobres y pobres extremos.
Veremos que para cifras del año y a nivel regional, los cálculos a los que llegamos son exactos a los obtenidos y publicados por Casen en cada año en que fue aplicada. Pero éste es un problema, pues las cifras entregadas en los primeros años de vuelta a la democracia fueron corregidos según una nueva metodología que no conocemos.
Como lo valores que obtenemos a nivel regional son exactos a los publicados a nivel regional, podemos deducir que también lo serán a nivel comunal, por lo que ideamos una metodología para llevar las frecuencias de pobres y no pobres a niveles calculados con la nueva metodología para poder hacer comparaciones anuales entre Casen de diferentes años.
Los análisis oficiales que entrega Casen y que son descargables de aquí para el 2020 y de aquí del 2011 hasta 1990, entregan estadísticas muy útiles sobres las cuales comparar.
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
casen2009 <- mutate_if(casen2009, is.factor, as.character)
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
casen2011 <- mutate_if(casen2011, is.factor, as.character)
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
casen2013 <- mutate_if(casen2013, is.factor, as.character)
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
#casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE)
#saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)
codigos_comunales <- readRDS(file = "C:/Users/chris/OneDrive/Documentos/archivos_grandes/codigos_comunales_2011-2017.rds")2 Pobreza por ingresos
Desde 1990 Casen publica información sobre el porcentaje de pobreza de los chilenos, generalmente divididos en tres categorias: no pobres, pobres y pobres extremos. A continuación se muestran 3 informes diferentes de pobreza y pobreza extrema (los dos primeros se confirman):
2.3 Pobreza 3
- Por un lado podemos apreciar dos informes con resultados distintos.
2.Nuestros calculos son casi iguales a nivel reginal con el segundo informe.
Entonces existen dos publicaciones oficiales de resultados de la medicion de la pobreza de la Casen: los del año y los actualizados.
Podemos demostrar que nuestros cálculos coinciden perfecto con los entregados del año 2006:
A continuación vamos a construir y verificar que nuestros cálculos coincidan con los oficiales no corregidos.
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
tabla_matp <-xtabs(casen2006$EXPR~R+CORTE, data = casen2006)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- indigente*100/total
indigente_por## I II III IV V VI VII VIII
## 3.082164 2.062141 2.791631 2.811234 2.872102 2.138240 4.202121 5.172353
## IX X XI XII R.M.
## 6.053738 3.560680 4.157228 2.498981 2.394319tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3 Verificaremos la exactitud de nuestros calculos para los años 2009, 2011, 2013, 2015, 2017 y 2020.
3.1 2009
casen2009 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2009_c.rds")
tabla_matp <-xtabs(casen2009$EXPR~REGION+CORTE, data = casen2009)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por## Tarapacá Antofagasta
## 15.831746 8.004060
## Atacama Coquimbo
## 17.520373 16.571024
## Valparaíso Libertador Bernardo O´Higgins
## 15.052184 12.788000
## Maule Bío Bío
## 20.743699 20.971457
## La Araucanía Los Lagos
## 27.102308 14.195840
## Aysén Magallanes Y La Antártica Chilena
## 15.106571 9.064409
## Región Metropolitana Los Rios
## 11.545605 20.426851
## Arica y Parinacota
## 12.843692tabla_matp <-xtabs(casen2006$EXPC~COMUNA+CORTE, data = casen2006)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.2 2011
casen2011 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2011_c.rds")
tabla_matp <-xtabs(casen2011$expr_full~region+casen2011$corte, data = casen2011)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## Tarapacá 11.550472
## Antofagasta 7.740033
## Copiapó 12.096409
## Coquimbo 16.013788
## Valparaíso 17.520679
## O Higgins 11.506831
## Maule 17.845110
## Bio Bio 21.911115
## Araucanía 23.916599
## Los Lagos 15.150746
## Aysén 9.928186
## Magallanes 5.474802
## Metropolitana 11.322334
## Los Ríos 18.896110
## Arica y Parinacota 15.893026tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.3 2013
casen2013 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2013_c.rds")
tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## I. Tarapaca 2.186118
## II. Antofagasta 1.137624
## III. Atacama 1.965482
## IV. Coquimbo 5.320301
## V. Valparaíso 4.514594
## VI. O Higgins 4.702862
## VII. Maule 5.933406
## VIII. Biobío 7.967164
## IX. La Araucanía 10.578256
## X. Los Lagos 5.684641
## XI. Aysén 1.599124
## XII. Magallanes 3.208934
## Metropolitana 2.569819
## XIV. Los Ríos 7.995456
## XV. Arica y Parinacota 4.651773tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))3.4 2015
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
tabla_matp <-xtabs(casen2015$expr~region+casen2015$pobreza, data = casen2015)
indigente <- tabla_matp[,1]
pobre_no_ind <- tabla_matp[,2]
no_pobre <- tabla_matp[,3]
total <- tabla_matp[,1] + tabla_matp[,2] + tabla_matp[,3]
indigente_por <- (indigente+pobre_no_ind)*100/total
indigente_por <- data.frame(indigente_por)
indigente_por## indigente_por
## Región de Tarapacá 7.145764
## Región de Antofagasta 5.414097
## Región de Atacama 6.865710
## Región de Coquimbo 13.803189
## Región de Valparaíso 12.015034
## Región del Libertador Gral. Bernardo O Higgins 13.743612
## Región del Maule 18.684565
## Región del Biobío 17.551887
## Región de La Araucanía 23.577519
## Región de Los Lagos 16.061625
## Región de Aysén del Gral. Carlos Ibáñez del Campo 6.469157
## Región de Magallanes y de la Antártica Chilena 4.412145
## Región Metropolitana de Santiago 7.108910
## Región de Los Ríos 16.753344
## Región de Arica y Parinacota 9.720732tabla_matp <-xtabs(casen2013$expr~region+casen2013$pobreza_MN, data = casen2013)
# datatable(tabla_matp, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
# options = list(dom = 'Bfrtip',
# buttons = list('colvis', list(extend = 'collection',
# buttons = list(
# list(extend='copy'),
# list(extend='excel',
# filename = 'hitStats'),
# list(extend='pdf',
# filename= 'hitStats')),
# text = 'Download')), scrollX = TRUE))A partir del 2015 ya no es necesario corregir
4 Expansión comunal de la pobreza.
Nos basamos para corregir a criterios actuales de la tabla oficial http://observatorio.ministeriodesarrollosocial.gob.cl/encuesta-casen-en-pandemia-2020
Caso ejemplo: 2006, Antofagasta. Region II. Estimación pobres extremos 23.593 según la nueva metodologia. Nosotros contamos 10716.
4.1 Pobreza 1
casen2006 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2006_c.rds")
casen2006 <- mutate_if(casen2006, is.factor, as.character)
# tabla_matp <-xtabs(casen2006$EXPC~COMUNA+R+CORTE, data = casen2006)
# head(tabla_matp,20)
region_2 <- filter(casen2006, casen2006$R == "II")
# region_2Filtramos por Region II
tabla_matp <-xtabs(region_2$EXPC~COMUNA+CORTE, data = region_2)
head(tabla_matp,20)## CORTE
## COMUNA Indigente No pobre Pobre no indigente
## Antofagasta 8968 305199 10778
## Calama 935 128269 13218
## María Elena 79 4585 180
## Mejillones 114 8867 357
## Ollague 6 112 18
## San Pedro de Atacama 32 5282 167
## Sierra Gorda 3 1517 39
## Taltal 144 8675 365
## Tocopilla 435 19175 2135tabla_matp <- as.data.frame(tabla_matp)Consideramos sólo los pobres extremos:
frec_man_com_parcial_total <- filter(tabla_matp, tabla_matp$CORTE == "Indigente")
frec_man_com_parcial_total## COMUNA CORTE Freq
## 1 Antofagasta Indigente 8968
## 2 Calama Indigente 935
## 3 María Elena Indigente 79
## 4 Mejillones Indigente 114
## 5 Ollague Indigente 6
## 6 San Pedro de Atacama Indigente 32
## 7 Sierra Gorda Indigente 3
## 8 Taltal Indigente 144
## 9 Tocopilla Indigente 435codigos_com <- frec_man_com_parcial_total$COMUNA
#codigos_comy los sumamos:
sum(frec_man_com_parcial_total$Freq)## [1] 10716Expandiremos las frecuencias de pobres ty pobres extremos para que lleguen al nivel oficial de la nueva metodología y lo haremos por comuna.
frec_man_com_parcial_total2 <- data.frame()
for(i in codigos_com){
frec_man_com_parcial <- filter(frec_man_com_parcial_total, frec_man_com_parcial_total$COMUNA == i)
frec_man_com_parcial$p <- frec_man_com_parcial$Freq*100/sum(frec_man_com_parcial_total$Freq)/100
frec_man_com_parcial_total2 <- rbind(frec_man_com_parcial_total2,frec_man_com_parcial)
}Calculando una proporción poblacional
frec_man_com_parcial_total2## COMUNA CORTE Freq p
## 1 Antofagasta Indigente 8968 0.8368794326
## 2 Calama Indigente 935 0.0872527062
## 3 María Elena Indigente 79 0.0073721538
## 4 Mejillones Indigente 114 0.0106382979
## 5 Ollague Indigente 6 0.0005599104
## 6 San Pedro de Atacama Indigente 32 0.0029861889
## 7 Sierra Gorda Indigente 3 0.0002799552
## 8 Taltal Indigente 144 0.0134378499
## 9 Tocopilla Indigente 435 0.0405935050sum(frec_man_com_parcial_total2$p)## [1] 1y multiplicandola con el valor al que deseamos llegar:
frec_man_com_parcial_total2$p_mul <- round(frec_man_com_parcial_total2$p *23593)
frec_man_com_parcial_total2## COMUNA CORTE Freq p p_mul
## 1 Antofagasta Indigente 8968 0.8368794326 19744
## 2 Calama Indigente 935 0.0872527062 2059
## 3 María Elena Indigente 79 0.0073721538 174
## 4 Mejillones Indigente 114 0.0106382979 251
## 5 Ollague Indigente 6 0.0005599104 13
## 6 San Pedro de Atacama Indigente 32 0.0029861889 70
## 7 Sierra Gorda Indigente 3 0.0002799552 7
## 8 Taltal Indigente 144 0.0134378499 317
## 9 Tocopilla Indigente 435 0.0405935050 958sum( frec_man_com_parcial_total2$p_mul)## [1] 23593La columna p_multi sería la que que contenga la cantidad de pobres extremos por comuna corregidos.
5 Desde 2015 tenemos las frecuencias sin problemas:
5.1 2015
casen2015 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2015_c.rds")
casen2015 <- mutate_if(casen2015, is.factor, as.character)
casen2017 <- readRDS("C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2017_c.rds")
casen2017 <- mutate_if(casen2017, is.factor, as.character)
#casen2020 <- read.spss(file="C:/Users/chris/OneDrive/Documentos/archivos_grandes/casen_2020.sav", to.data.frame=TRUE)
#saveRDS(casen2020,"casen2020.rds")
casen2020 <- readRDS("casen2020.rds")
casen2020 <- mutate_if(casen2020, is.factor, as.character)tabla_matp <-xtabs(casen2015$expc~comuna+pobreza, data = casen2015)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Alto Hospicio 105052 2470 7298
## Ancud 34644 903 5608
## Angol 38476 3916 7078
## Antofagasta 357094 5466 13818
## Arauco 37290 1696 5590
## Arica 149891 2798 11775
## Aysén 25202 880 618
## Calama 138021 2399 4819
## Calbuco 31183 2377 2927
## Calera 44851 4414 6669
## Cañete 21132 5445 7588
## Carahue 15247 3439 5232
## Castro 48340 2440 5374
## Cauquenes 30016 2826 9108
## Cerro Navia 109138 3946 11031
## Chañaral 11002 150 523
## Chiguayante 122798 6161 13639
## Chile Chico 4820 40 344
## Chillán 148764 9653 19225
## Chillán Viejo 30707 827 2553tabla_matp15 <- as.data.frame(tabla_matp)
tabla_matp15$año <- "2015"
# tabla_matp15unique(tabla_matp15$pobreza)## [1] No pobres Pobres extremos Pobres no extremos
## Levels: No pobres Pobres extremos Pobres no extremostabla_matp <-xtabs(casen2017$expc~comuna+pobreza, data = casen2017)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Algarrobo 15519 0 328
## Alhué 4319 100 96
## Alto Biobío 5884 2060 1472
## Alto del Carmen 4100 31 318
## Alto Hospicio 116378 2680 7913
## Ancud 34479 2520 4133
## Andacollo 6074 0 1245
## Angol 41818 1327 6181
## Antofagasta 367436 7256 12600
## Antuco 2057 670 603
## Arauco 38288 3518 4019
## Arica 145122 3793 9204
## Aysén 24869 677 1733
## Buin 68218 0 6612
## Bulnes 18440 555 2408
## Cabildo 17831 138 3464
## Cabrero 29852 922 2076
## Calama 139010 704 5816
## Calbuco 31992 1287 3475
## Caldera 12809 857 1269tabla_matp17 <- as.data.frame(tabla_matp)
tabla_matp17$año <- "2017"
# tabla_matp17unique(tabla_matp17$pobreza)## [1] No pobres Pobres extremos Pobres no extremos
## Levels: No pobres Pobres extremos Pobres no extremostabla_matp <-xtabs(casen2020$expc~comuna+pobreza, data = casen2020)
head(tabla_matp,20)## pobreza
## comuna No pobres Pobres extremos Pobres no extremos
## Algarrobo 14354 400 492
## Alhué 7385 75 0
## Alto Biobío 6381 160 219
## Alto del Carmen 5576 0 162
## Alto Hospicio 111338 9387 11045
## Ancud 34768 3235 4528
## Andacollo 10573 597 647
## Angol 48161 1701 6290
## Antofagasta 394467 13493 20728
## Antuco 3821 359 142
## Arauco 34850 1512 2390
## Arica 219102 14867 14565
## Aysén 23070 228 1673
## Buin 105208 2072 3319
## Bulnes 19427 468 2765
## Cabildo 19419 151 1104
## Cabrero 27579 1078 2119
## Calama 166533 6885 18013
## Calbuco 34401 799 1693
## Caldera 17358 592 1553tabla_matp20 <- as.data.frame(tabla_matp)
tabla_matp20$año <- "2020"
# tabla_matp20unique(tabla_matp20$pobreza)## [1] No pobres Pobres extremos Pobres no extremos
## Levels: No pobres Pobres extremos Pobres no extremos#Desgargue información de pobreza del 2015, 2017 y 2020:
pobreza_15_20 <- rbind(tabla_matp15,tabla_matp17,tabla_matp20)
datatable(pobreza_15_20, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'hitStats'),
list(extend='pdf',
filename= 'hitStats')),
text = 'Download')), scrollX = TRUE))